293 interaktywny system edukacyjny wprowadzający w zagadnienie
Transkrypt
293 interaktywny system edukacyjny wprowadzający w zagadnienie
Tomasz Olszewski, Piotr Boniecki, Jerzy Weres Instytut InŜynierii Rolniczej Akademia Rolnicza w Poznaniu INTERAKTYWNY SYSTEM EDUKACYJNY WPROWADZAJĄCY W ZAGADNIENIE SZTUCZNYCH SIECI NEURONOWYCH Streszczenie Dziedzina sztucznych sieci neuronowych ma swoje źródło w badaniach dotyczących sztucznej inteligencji. Stanowią one próbę naśladowania najwaŜniejszych cech charakteryzujących biologiczne systemy nerwowe. Nazwą „sztuczne sieci neuronowe” (SSN) określa się dziś najczęściej symulatory programowe, umoŜliwiające modelowanie sieci na komputerach klasy PC. Sztuczne sieci neuronowe pozwalają na modelowanie systemów empirycznych o nieokreślonych zaleŜnościach, trudnych do opisania tradycyjnymi, deterministycznymi metodami. Mają równieŜ zdolność generalizacji i uogólniania. Dzięki swym cechom SSN znajdują zastosowanie w rozwiązywaniu róŜnych problemów w wielu, niepowiązanych z sobą dziedzinach, jak: finanse, medycyna czy inŜynieria rolnicza. Celowe jest więc wykonanie informatycznego systemu edukacyjnego, który pozwoli w łatwy i przystępny sposób zapoznać uŜytkownika z tematyką modelowania neuronowego. Słowa kluczowe: informatyczny sztuczne sieci neuronowe, edukacyjny system Wprowadzenie Postępujący rozwój technologii komputerowych, wynikający z ogólnego poszerzania wiedzy informatycznej, ma istotny wpływ na inŜynierie rolniczą. Metody analityczne często ustępują miejsca metodom numerycznym, umoŜliwiającym uwzględnienie większej złoŜoności oddziaływań, sprzęŜeń czy nieliniowości. Systemy empiryczne rolnictwa przedstawiane są za pomocą coraz bardziej dokładnych i złoŜonych modeli matematycznych. Niektóre zjawiska i procesy, występujące w rolnictwie, charakteryzują się jednak trudnymi do określenia zaleŜnościami. W takich przypadkach niemoŜliwe jest zastosowanie tradycyjnych, deterministycznych rozwiązań. Alternatywną metodą opisania takich systemów empirycznych jest zastosowanie modelowania z wykorzystaniem sztucznych sieci neuronowych [Boniecki 2004]. Sieci neuronowe znajdują szerokie zastosowanie tam, gdzie uŜytkownik jest w stanie sprecyzować cel i podać przykład jego osiągnięcia, ale nie jest pewien metod i sposobów osiągnięcia tego celu [Tadeusiewicz 1998]. InŜynieria rolnicza ma juŜ wiele 293 obszarów, w których z powodzeniem zastosowano sieci neuronowe. Wykorzystuje się je między innymi do prognozowania poziomów zbiorów, do rozpoznawania kategorii owadów czy do sterowania procesu ładowania kamiennego magazynu energii cieplnej. Jednak wiele osób związanych z rolnictwem na ogół nie zna moŜliwości sieci neuronowych lub jest zniechęconych rozbudowanymi i dość drogimi symulatorami SNN dostępnymi na rynku. Potrzebne jest więc narzędzie, które pozwoli w łatwy i przystępny sposób zademonstrować początkującemu uŜytkownikowi działanie i wykorzystanie wybranych topologii sztucznych sieci neuronowych. Celem pracy było zaprojektowanie, wykonanie, przetestowanie i wdroŜenie informatycznego systemu edukacyjnego, pozwalającego na zapoznanie uŜytkownika z tematyką modelowania neuronowego. Opis systemu Aplikacja „EduNet” jest informatycznym systemem edukacyjnym, pozwalającym zademonstrować początkującemu uŜytkownikowi działanie i wykorzystanie sztucznych sieci neuronowych. W aplikacji zawarto podstawowe elementy topologii sieci, takie jak neuron liniowy oraz radialny. Prezentuje ona równieŜ wybrane typy jednokierunkowych sieci neuronowych, takich jak perceptron wielowarstwowy MLP (ang. Multi Layer Perceptron) czy sieć o radialnych funkcjach bazowych RBF (ang. Radial Basis Function) oraz podstawowe metody ich uczenia. UmoŜliwi to wprowadzenie uŜytkownika w rozległy temat teorii i praktyki sztucznych sieci neuronowych. Program wyposaŜony jest równieŜ w system pomocy zawierający wsparcie dla uŜytkownika. Umieszczona jest w nim teoria dotycząca poszczególnych modułów oraz sposób ich wykorzystywania. Wszystko to w celu ułatwienia pracy z aplikacją. Podstawowe moŜliwości systemu: - symulacja neuronu liniowego, - symulacja neuronu radialnego, - symulacja sieci jednokierunkowej, - symulacja algorytmu wstecznej propagacji błędów, - symulacja sieci o radialnych funkcjach bazowych, - integracja z systemem pomocy. Interaktywny program „EduNet” bazuje na systemie okien dialogowych. Do poprawnego działania wymaga komputera PC z systemem operacyjnym 294 Windows. Składa się ona z głównego formularza oraz kilku modułów. W głównym oknie programu dokonuje się wyboru i uruchamia poszczególne moduły aplikacji (rys. 1). Rys. 1. Główne okno aplikacji systemu „EduNet” Fig. 1. Primary window of “EduNet” application Menu główne programu składa się z trzech podmenu: Modele neuronu, Modele sieci oraz Pomoc. Elementy menu zostały ustawione w kolejności umoŜliwiającej uŜytkownikowi stopniowe zapoznawanie się z zagadnieniami dotyczącymi sieci neuronowych – od wiadomości podstawowych aŜ do bardziej zaawansowanych. UŜytkownik pracując z poszczególnymi modułami (np. „Model neuronu liniowego” (rys. 2), „Perceptron wielowarstwowy” (rys. 3)) moŜe praktycznie zapoznać się z budową i zasadą działania sztucznych sieci neuronowych. MoŜliwość dobierania i wprowadzania poszczególnych wartości przez uŜytkownika pozwoli na analizowanie, badanie i łatwiejsze zrozumienie zaleŜności zachodzących w sieciach neuronowych. KaŜdy moduł aplikacji ma przycisk „Pomoc”, który uruchamia wsparcie dla uŜytkownika. Zawarta jest w nim teoria dotycząca poszczególnych modułów oraz opis sposobu ich wykorzystania (rys. 4). 295 Rys. 2. „EduNet” – okno modułu „Symulacja neuronu liniowego” Fig. 2. “EduNet” – module window of “Linear neuron simulation” Rys. 3. „EduNet” – okno modułu „Perceptron wielowarstwowy” Fig. 3. “EduNet” – module window of “Multi – layer perceptron” 296 Rys. 4. „EduNet” – przykładowe okno systemu pomocy Fig. 4. “EduNet” – hypothetical window of aid system Podsumowanie 1. W inŜynierii rolniczej występuje wiele zjawisk i procesów trudnych do opisania za pomocą modeli liniowych. Często prowadzi to do sformułowania błędnych opinii o niemoŜności przedstawienia badanych systemów w sposób matematyczny. Sieci neuronowe bez trudu odwzorowują skomplikowane zaleŜności nieliniowe i mogą być najszybszym i najwygodniejszym rozwiązaniem problemów nieopisanych sformalizowanym modelem deterministycznym. 2. W związku z coraz częstszym wykorzystaniem sztucznych sieci neuronowych w róŜnych dziedzinach nauki i praktyki, celowe jest wytworzenie narzędzia pozwalającego na przybliŜenie metod neuronowych uŜytkownikowi nieposiadającemu rozległej wiedzy. 3. Zaprojektowany informatyczny system edukacyjny przeznaczona jest dla niezbyt zaawansowanych uŜytkowników. Pozwoli im ona na zrozumienie podstawowych reguł działania sieci neuronowych, ich budowy oraz przykładów zastosowania. 297 4. Aplikacja „EduNet” stanowi efektywne wsparcie procesu edukacyjnego, związanego z zagadnieniem modelowania neuronowego. 5. Wytworzony system informatyczny ma charakter adaptacyjny. Istnieje wiele moŜliwości rozwoju tej aplikacji, jak na przykład dodanie kolejnych modułów opisujących inne typy sieci neuronowych, nowych algorytmów uczenia, a co za tym idzie rozbudowy systemu pomocy. Bibliografia Boniecki P. 2004. Sieci neuronowe typu MLP oraz RBF jako komplementarne modele aproksymacyjne w procesie predykcji plonu pszenŜyta. Journal of Research and Applications in Agricultural Engineering, tom 49, PIMR, Poznań Tadeusiewicz R. 1998. Elementarne wprowadzenia do techniki sieci neuronowych z przykładowymi programami. Akademicka Oficyna Wydawnicza PLJ, Warszawa INTERACTIVE EDUCATIONAL SYSTEM INTRODUCING INTO ISSUE OF ARTIFICIAL NEURAL NETWORKS Summary The domain of artificial neural networks has its own source in the research of artificial intelligence. Artificial neural networks (ANN) are trying to imitate the most important features which represent the biological nervous systems. Nowadays in most cases the name of “artificial neural networks” define as programming simulators which allows the modeling of networks on PC computers. ANN permits to modeling empirical systems which have indefinable relationships and are hard to present in a traditional deterministic methods. They have as well the ability to generalize. Owing to its features, ANN applies in resolving variety of problems in many totally different areas, like: finances, medicine or agricultural engineering. It is purposeful to prepare educational informatics system which allows a user to get closer to subjects of neural modeling in easy and accessible way. Key words: artificial neural networks, educational computer system Recenzent – Jerzy Langman 298